[論文レビュー] 3D Density Histograms for Criteria-driven Edge Bundling

Daniel C. Moura|arXiv (Cornell University)|Apr 10, 2015

Data Visualization and Analytics参考文献 20被引用数 4

ひとこと要約

本稿では、効率的な2次元ヒストグラム平滑化を積分画像を用いて行うことで、密度マップ計算を高速化する3次元密度ヒストグラムを導入し、基準駆動型エッジバンドリングを実現する。この手法により、大規模なグラフ（例：500万エッジを30秒未塔で）のリアルタイムバンドリングが可能となり、ユーザー定義のエッジグループ化基準をサポートすることで、空間的要因のみに依存する手法では見えない隠れた接続パターンを明らかにすることができる。

ABSTRACT

This paper presents a graph bundling algorithm that agglomerates edges taking into account both spatial proximity as well as user-defined criteria in order to reveal patterns that were not perceivable with previous bundling techniques. Each edge belongs to a group that may either be an input of the problem or found by clustering one or more edge properties such as origin, destination, orientation, length or domain-specific properties. Bundling is driven by a stack of density maps, with each map capturing both the edge density of a given group as well as interactions with edges from other groups. Density maps are efficiently calculated by smoothing 2D histograms of edge occurrence using repeated averaging filters based on integral images. A CPU implementation of the algorithm is tested on several graphs, and different grouping criteria are used to illustrate how the proposed technique can render different visualizations of the same data. Bundling performance is much higher than on previous approaches, being particularly noticeable on large graphs, with millions of edges being bundled in seconds.

研究の動機と目的

• 数百万エッジを有する大規模グラフにおける、従来のエッジバンドリングアルゴリズムのスケーラビリティ制限を解消すること。
• 空間的近接性にのみ依存する従来のバンドリング手法におけるユーザー制御の欠如を克服すること。
• 出発点、到着点、ドメイン固有の属性などのユーザー定義エッジ属性を組み込むことで、複雑で隠れた接続パターンの可視化を可能にすること。
• ヒストグラム計算と密度推定を分離することで、大規模グラフにおける性能を向上させる計算効率の高いパイプラインの開発。
• 空間的近接性に加えて意味的エッジ基準を組み合わせることで、従来の手法では捉えきれない構造的インサイトを明らかにできることの実証。

提案手法

• ユーザー定義基準（例：出発点、到着点、長さ、ドメイン固有の属性）によってグループ化されたエッジ位置の2次元ヒストグラムを構築する。
• 積分画像を用いた繰り返し平均化フィルタを適用し、2次元ヒストグラムを密度マップに平滑化する。これにより、グラフサイズに依存しないO(1)のピクセル単位計算が可能となる。
• 密度マップの勾配を用いてエッジの再ルーティングをガイドし、収束速度を向上させる最適化されたステップサイズを採用する。
• 複数の密度マップを、共有される属性を持つエッジグループに対応する各層として3次元ヒストグラム構造に統合する。
• 相互作用行列を用いてグループ間の相互作用をモデル化し、異なるグループのエッジが互いのバンドリング経路に影響を与えるようにする。
• グループ固有の色でエッジをレンダリングすることで、異なるエッジタイプにおけるノード接続のパターンを視覚的に区別し、明らかにする。

実験結果

リサーチクエスチョン

• RQ1 ヒストグラムベースの密度推定パイプラインは、大規模グラフバンドリングにおいてカーネル密度推定よりも著しくスケーラブルにできるか？
• RQ2 ヒストグラム計算と平滑化を分離することで、数百万エッジを有するグラフにおける性能がどの程度向上するか？
• RQ3 空間的近接性を超えたユーザー定義エッジ属性（出発点、到着点、ドメイン固有属性など）を用いることで、バンドル済みグラフ可視化の解釈性はどの程度向上するか？
• RQ4 3次元密度ヒストグラムは、複数のエッジグループ間の相互作用を効率的にモデル化できるか、計算効率を維持できるか？
• RQ5 本手法は、大規模で実世界のグラフにおいて、既存のバンドリングアルゴリズムと比較して、性能および視覚的インサイトの両面で優れているか？

主な発見

• 本手法は、UF Sparse Matrix Collectionのパターン1（500万エッジ）をCPU上で30秒未塔でバンドル可能であり、次に速い手法（MINGLE）の1049秒と比較して35倍の性能向上を達成した。
• 16ビンでさえも、MINGLEを6倍以上上回る速度を維持しており、ビン数に依存しない強力なスケーラビリティを示している。
• 最大のランダムグラフにおいて、GPUアクセラレートされたKDEEBと比較しても、CPUでの計算のみで3倍の高速化を達成した。
• すべてのテスト設定において、バンドリング時間はグラフサイズに比例して線形に増加しており、本手法の強力な計算スケーラビリティを裏付けている。
• 3次元密度ヒストグラムの使用により、出発点／到着点座標に基づくエッジグループ化によって、従来は見えなかった接続パターン（例：ネットワーク内のフロー構造）を可視化できるようになった。
• 本手法は最大64のエッジグループをサポートするが、グループ数が増えると視覚的区別が難しくなるため、より洗練されたインタラクション技術の導入が求められる。